Blog: Wat levert data science op? | Door Michelle Pigmans

Auteur: Michelle Pigmans

 

Hoe maak je met data science écht het verschil als handels- en productiebedrijf? Een vraag waar veel bedrijven nog mee worstelen, terwijl hier grote mogelijkheden liggen. Michelle Pigmans is Data Scientist bij Xperi. In deze blog legt ze, aan de hand van resultaten van een recente pilot bij een klant, uit welke drie concrete kansen data science voor deze klant biedt.

Data Science is razendsnel onderdeel van ons dagelijks leven geworden. Netflix stelt nieuwe series voor op basis van je kijkgedrag. Google Maps voorspelt verkeersdrukte en doet vervolgens suggesties om je route aan te passen. Albert Heijn bedenkt op basis van je koopgedrag welke bonusaanbiedingen jou naar de winkel zullen lokken. Allemaal dankzij data, machine learning (ML) en artificial intelligence (AI). Kort gezegd: data science. Veel ondernemers lijken nog te worstelen met de toepasbaarheid van data science voor hun onderneming. Wat kan je ermee? En belangrijker nog, wat levert het op?

Xperi voerde met behulp van zelf ontwikkelde algoritmen in combinatie met standaard machine learning functionaliteit in SAP Analytics Cloud (SAC) een pilot uit voor een leverancier van bevestigings- en ophangsystemen voor audiovisuele & multimedia-apparatuur. De pilot duurde in totaal zo’n vier weken. Maar al snel kwamen er drie waardevolle kansen uit die ook interessant zijn voor andere handels- en productiebedrijven. Ik leg ze hier uit, inclusief wat iedere kans concreet oplevert.

Kans 1: ken uw klanten dankzij clustering

Dankzij data science wordt het clusteren van klanten erg makkelijk. In de pilot voedden we diverse algoritmes (churn- en clustering algoritme) met het klantenbestand van de bevestigings- en ophangsystemenleverancier in combinatie met verkoopdata. Zo zagen we in een oogopslag wie de trouwste klanten waren, maar ook welke klanten mogelijk wilden vertrekken. Die klantclustering en churn voorspelling koppelden we aan de historische omzet. Op die manier werd het risico op verlies dat de leverancier liep concreet inzichtelijk. Dat vormt een onmiskenbaar argument om actie te ondernemen en ervoor te zorgen dat die klanten binnen blijven.

Dankzij klantclustering en churnvoorspelling weet je precies welke klant op welk moment aandacht nodig heeft, bijvoorbeeld in de vorm van een promotie of kortingsactie. Dat maakt het werk van jouw marketingafdeling eenvoudiger én doelgerichter. En met deze kennis kan je ook de inzet van jouw salesforce beter prioriteren.

Kans 2: efficiëntere processen door koopgedrag te voorspellen

De leverancier van de bevestigings- en ophangsystemen gebruikt al geruime tijd SAP ECC als ERP systeem en verzamelde zo al geruime tijd structureel data rondom orders. Op basis van die data konden we via een Forecasting algoritme toekomstig koopgedrag voorspellen. Wanneer plaatst een klant een volgende order? En hoeveel wordt er dan besteed?

Hoe nauwkeuriger je koopgedrag – en dus toekomstige omzet – kunt voorspellen, hoe beter je investeringen, inkoop, productie en andere bedrijfsprocessen daarop kan afstemmen. Dat bespaart kosten en maakt uw operatie efficiënter.

Kans 3: omzet verhogen door productaanbevelingen

We waren in de pilot in staat om nauwkeurig vast te stellen welke producten interessant zijn voor bepaalde klanten. Op basis van historische data berekenden we tijdens de pilot welke klanten qua koopgedrag veel op elkaar lijken. Vervolgens presenteert een SAC dashboard deze klanten in combinatie met producten die soortgelijke klanten ook kochten. Dat kunnen compleet nieuwe producten zijn, maar ook producten die in eenzelfde categorie behoren als de klant in kwestie al had aangeschaft.

Door proactief accuraat producten aan te raden die aansluiten op de wensen van jouw klanten, verhoog je de verkoopkans aanzienlijk. Zo kan ook jouw organisatie marketing- en salescapaciteit effectiever en gerichter inzetten en besparen op de verkoopkosten. Allebei manieren om tot een hoger resultaat te komen.

Zo begin je met data science

Dat klinkt natuurlijk allemaal leuk en aardig. Maar hoe begin je met data science? Stap één is om te bepalen welke vragen je met data science zou willen beantwoorden. Welke uitdagingen heeft jou organisatie en welke informatie of kennis is hiervoor van belang? De volgende stap is bepalen welke data nodig is om de meest relevante vragen te kunnen beantwoorden en de laatste stap is het kiezen en eventueel aanpassen van de juiste algoritmen om uiteindelijk tot waardevolle inzichten te komen.

Stel prioriteiten: Probeer niet in een eerste implementatie alles te doen maar kies de belangrijkste vraagstukken. Probeer ook niet om direct de meest optimale algoritmen te bouwen maar durf de resultaten uit de analyses toe te passen in de praktijk en toets deze. Pas eventueel je algoritmen aan en meet of dit een positief resultaat heeft. Breid dan langzaam de toepassing van data science uit voor andere vraagstukken. Het is een groeiproces waarbij je voorspellingen steeds uitgebreider en steeds preciezer worden.

Zorg voor de juiste data: De data die je in de uitvoering van je bedrijfsprocessen verzamelt is vaak erg omvangrijk. De datastructuur waarin deze is opgeslagen is vaak niet optimaal geschikt voor data science toepassingen. Nadat bepaald is welke data relevant is voor een vraagstuk moet deze dus worden omgevormd voordat er analyses op kunnen worden gedaan. Vaak moet de data dan nog worden opgeschoond. De omgeving waarin je organisatie zich bevindt is dynamisch en veranderd dus ook steeds. Deze dynamiek heeft mogelijk direct invloed op de nauwkeurigheid van voorspellingen. Als dit aantoonbaar is, is het waarschijnlijk verstandig om ook data over deze externe invloeden op te nemen in de analyses. Zorg bij het verzamelen en bewerken van de data dat dit proces herbruikbaar is en dus niet bij iedere data verzameling opnieuw veel inspanning kost.

Kies de juiste tooling: Specifieke data science tools als “R” en “Python” kennen een grote functionele rijkdom en hebben door de beschikbaarheid van open source algoritmen omvangrijke communities die iedere dag nieuwe functionaliteit delen. Deze tooling vergt wel veel technische kennis die niet altijd aanwezig is binnen uw organisatie. Andere, vaak commerciële tools zijn veel eenvoudiger in gebruik, maar bieden dan weer minder flexibiliteit en vrijheid in de ontwikkeling van algoritmen en het doen van analyses. Meestal is een combinatie van standaard software en eigen (deel)implementaties van in “R” of “Python” ontwikkelde algoritmen de beste oplossing.

Kies het juiste moment: Als je als ondernemer worstelt met een specifiek vraagstuk is het wellicht interessant om te onderzoeken of data science kan helpen. Een ander heel natuurlijk moment is wanneer je de bedrijfsprocessen tegen het licht houdt voor optimalisatie, of wanneer je, bijvoorbeeld vanuit een BPM gedachte, je processen inzichtelijker wilt maken. De overstap naar een nieuw ERP-systeem is ook vaak een heel natuurlijk moment. Moderne bedrijfsplatformen, zoals SAP S/4HANA, bieden al ingebouwde ML en AI functionaliteit waardoor je snel en eenvoudig kunt starten met geavanceerde analyses. SAP Analytics Cloud in combinatie met S/4HANA biedt “out of the box” machine learning functionaliteit die je kunt gebruiken zonder dat je daar een data scientist voor hoeft te zijn. Dit soort moderne BI en analytics tools bieden voldoende mogelijkheden om, met standaard functionaliteit, eventueel in combinatie met zelf ontwikkelde algoritmen, direct aan de slag te gaan.

Data science opent nieuwe deuren

Data science stelt je in staat om slimme analyses en voorspellingen te doen, taken te vereenvoudigen en keuzemomenten te automatiseren. Zo creëer je meerwaarde voor je bedrijf en verhoog je het rendement. Dat blijkt ook zeker uit de resultaten van onze pilot. Met moderne tools hoeft u geen expert te zijn om met deze technologie aan de slag te gaan.

Of je er al mee bent begonnen of niet: data science opent ook voor jouw bedrijf nieuwe deuren. Als je bedrijf het nu nog niet inzet, besef dan dat de kans groot is dat je concurrent dat al wel doet. Dus de vraag is: hoe lang wil je nog wachten?

•••